1.基于模糊卡尔曼滤波的交通流预测方法，其特征在于包括以下步骤：

1)在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据；

2)获取各车道检测器同期历史交通流参数数据；

3)采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型，所述动态卡尔曼滤波交通流参数预测模型描述如式(1)所示：QL(τ+k)＝H0V(τ)+H1V(τ-1)+…+Hn-1V(τ-n+1)+ω(τ) (1)式中： 为τ时刻后k个时间段的路段L上的交通流参数向量，它与路段两端T出入口的交通流参数有关；V(τ)＝[v1(τ)，v2(τ)，…，vm(τ)] 是在时段((τ-1)T，τT]各出入口的交通流参数向量，其中vm(τ)是在时段((τ-1)T，τT]某个入口或出口的交通流参数，它包含对交通流参数预测一些有用的预测因子，可以通过检测器直接观测到，V(τ-1)是在时段((τ-1)T，τT]前一个时段((τ-2)T，(τ-1)T]各出入口的交通流参数向量；H0，H1，…，Hn-1为参数矩阵，Hk＝[c′1(τ)，c′2(τ)，…，c′m(τ)]，c′m(τ)为状态变量；m为路段上入口和出口所考虑的检测器总数；ω(τ)为观测噪声，假定为期望为零的白噪声，它的协方差矩阵为R(τ)；

4)在步骤3)基础上，通过卡尔曼滤波时间更新方程和状态更新方程，得到卡尔曼滤波参数预测结果如(2)所示：式中： 为τ时刻后k个时间段路段L上所预测的交通流参数向量；

T T T

为状态估计向量；A(τ)＝[V(τ)，V(τ-1)，V(τ-2)]为交通流参数的观测向量；

5)将历史同期平均交通流参数引入式(2)中，构建模糊卡尔曼滤波交通流参数预测模型如式(3)所示：其中， 为预测的最终结果， 为同时期历史平均参数； 为卡尔曼滤波的预测结果；γ为历史值权重系数；

6)将检测器采集到的实时交通流参数和历史同期平均交通流参数输入到式(3)中，对下一时间间隔及之后的交通流参数进行预测。

2.如权利要求1所述的方法，其特征在于：

所述检测器包括但不限于环形感应线圈检测器、视频检测器、微波检测器、雷达检测器、无线传感器节点；

所述交通流参数是指交通流量和/或占有率和/或速度和/或密度和/或饱和度；

所述下一时间间隔是指5分钟或15分钟或30分钟或60分钟。

3.如权利要求1所述的方法，其特征在于：

所述卡尔曼滤波时间更新方程为：

T

P(τ|τ-1)＝Q(τ-1)+B(τ-1)P(τ-1)B(τ-1) (5)状态更新方程为：

T T -1

K(τ)＝P(τ|τ-1)A(τ)[A(τ)P(τ|τ-1)A(τ)+R(τ)] (6)P(τ)＝[I-K(τ)A(τ)]P(τ|τ-1) (8)式中： 为状态向量， 为估计状态向量；B(τ)为状态转移矩阵，B(τ)＝I；P(τ)为误差协方差，P(τ|τ-1)为估计协方差；K(τ)为卡尔曼增益；

z(τ)为实际获取的交通流参数，其值等于QL(τ+k)；R(τ)为期望为零的白噪声。

4.如权利要求1所述的方法，其特征在于：

所述历史值权重系数γ由模糊逻辑确定；

所述模糊规则：以相对误差，平均相对误差，平均绝对相对误差，作为模糊综合判断的指标，参数γ越大，则当前交通流变化趋势更接近历史平均；反之，则当前交通流变化趋势更接近卡尔曼滤波模块的预测值。